Volker Schomerus Book order

Preface; 1. Historical introduction and overview; Part I. Strings in Flat Backgrounds: 2. The classical closed bosonic string; 3. Free bosonic quantum field theory; 4. Covariant quantization; 5. Light-cone quantization; 6. Branes and quantization of open strings; 7. Open strings and gauge theory; 8. Free fermionic quantum field theory; 9. Supersymmetry in ten dimensions; 10. Construction of type IIA/B superstrings; 11. Branes in type II superstring theory; 12. Construction of heterotic superstrings; Part II. Strings in Curved Backgrounds: 13. Introduction to conformal field theory; 14. Modular invariants and orbifolds; 15. Closed strings on the 3-sphere; 16. Calabi-Yau spaces; 17. Calabi-Yau compactifications; 18. String dualities; 19. Gauge/string dualities; 20. AdS/CFT correspondence; Bibliography; Index.

Fahrerassistenzsysteme und automatisches Fahren gewinnen im Bereich der Mobilität mehr und mehr an Bedeutung. Durch erhöhte Sicherheit und die Möglichkeit einer anderweitigen Nutzung der Reisezeit wird die Entwicklung intelligenter Fahrzeuge die Mobilität der Zukunft neu definieren. Um die Grenzen bisheriger Systeme für vollautomatisches Fahren zu erweitern, werden leistungsfähige Methoden des maschinellen Lernens eingesetzt, um die räumlichen Beziehungen zwischen diversen Merkmalen im Kamerabild und der Fahrzeugtrajektorie zu lernen. Das Zusammenführen der räumlichen Beziehungen aller gefundenen Merkmale eines Kamerabildes resultiert in einer sogenannten Verteilungskarte, in die ein Fahrstreifenmodell eingepasst werden kann. Des Weiteren wird mit Hilfe globaler Bildmerkmale der Kontext der aktuellen Szene bestimmt. Es werden verschiedene Möglichkeiten untersucht, mit Hilfe der gewonnenen Kontextinformation die Fahrstreifenerkennung zu verbessern, und es wird erläutert, wie ein solches globales Verfahren mit einer lokalen Methode zur Fahrstreifen- bzw. Fahrstreifenbegrenzungserkennung kombiniert werden kann. Es wird gezeigt, dass viele verschiedene Arten von Merkmalen in der Fahrzeugumgebung wichtige Informationen über die Lage des Fahrstreifens liefern und dass dieser Fahrstreifen im Bild detektiert werden kann, indem dessen räumliche Beziehungen zu diesen Merkmalen modelliert werden. Außerdem wird gezeigt, wie zusätzliches Wissen über den aktuellen Kontext die Qualität der Fahrstreifenerkennung erhöhen kann.